暗通道先驗理論的絕緣子圖像去霧算法

張俊林，石冬陽，賈 兵，聶 玲

(重慶科技學(xué)院 電氣工程學(xué)院，重慶 401331)

0 引言

絕緣子是分布在輸電線路上的絕緣體，對輸電線路的正常運行起著至關(guān)重要的作用[1-4]。絕緣子長期處于復(fù)雜多變的環(huán)境之中，受環(huán)境等因素影響，加上自身材料老化等原因容易發(fā)生自爆故障。若絕緣子發(fā)生自爆故障，輕則導(dǎo)致所在區(qū)域范圍性停電，影響所在地居民的正常生活和生產(chǎn)，重則影響整條輸電線路的正常運行和電氣設(shè)備的使用壽命，若不能及時發(fā)現(xiàn)絕緣子存在的故障，則會給輸電線路帶來巨大的安全隱患[5-6]。因此，對輸電線路絕緣子自爆的檢測具有十分重要的意義。

隨著計算機(jī)視覺和深度學(xué)習(xí)技術(shù)的發(fā)展，產(chǎn)生了多種檢測絕緣子自爆的方法，并獲得了良好的故障檢測效果，一定程度上提升了電力工人輸電線路安全巡檢的效率。但其中絕大多數(shù)絕緣子缺陷檢測模型都是基于沒有霧霾的場景，霧霾一旦出現(xiàn)，會使得無人機(jī)拍攝到的絕緣子圖像變得模糊不清，重要特征無法有效呈現(xiàn)，從而導(dǎo)致絕緣子缺陷檢測模型的精度大大降低。近年來出現(xiàn)了多種圖像去霧方法，但圖像去霧后仍有噪聲存在圖像中，降低了圖像質(zhì)量和圖像分辨率[7-9]。因此，為了最大程度降低霧霾帶來的影響，需要在絕緣子缺陷檢測前對絕緣子圖像進(jìn)行去霧處理，使其恢復(fù)到無霧圖像。同時，還需要在去霧的基礎(chǔ)上保證良好的圖像去噪性能以提升圖像質(zhì)量，進(jìn)而提升絕緣子缺陷檢測的精度。

1 相關(guān)研究

目前，針對絕緣子自爆的研究方法都有一定的局限性。賴秋頻等[10]在YOLOv2深度學(xué)習(xí)網(wǎng)絡(luò)的基礎(chǔ)上建立了絕緣子自爆缺陷檢測模型,但霧霾天氣對該模型的識別精度影響較大。周仿榮等[11]提出一種基于YOLOv3的輸電線路缺陷快速檢測方法，在保證識別精度的同時提升了識別速度。方挺等[12]提出基于粒子群優(yōu)化參數(shù)的蟻群算法來檢測絕緣子輪廓及其數(shù)目，但該方法無法適應(yīng)霧霾與噪聲等復(fù)雜環(huán)境。嚴(yán)波等[13]串聯(lián)使用Faster R-CNN網(wǎng)絡(luò)對絕緣子自爆圖像進(jìn)行提取和識別，提高了檢測精度，但對環(huán)境復(fù)雜因素考慮不足。唐小煜等[14]提出了基于U-net和YOLOv4-的絕緣子圖像分割與缺陷檢測方法，但運用優(yōu)化的U-net模型獲取絕緣子區(qū)域掩模圖像的同時缺少了去霧等預(yù)處理。劉逸凡等[15]提出了基于EfficientDet和雙目攝像頭的絕緣子缺陷檢測方法，該方法具有良好的效率和適用性，但在絕緣子數(shù)據(jù)集真實度與復(fù)雜度方面未考慮霧霾的存在。王夢[16]通過訓(xùn)練Resnet-101和vgg16的Faster R-CNN模型，實現(xiàn)了對絕緣子自爆缺陷和定位的檢測，但缺陷檢出率僅為 0.89，檢測精度較低。

綜上所述，大多數(shù)絕緣子自爆研究方法取得了較好的檢測效果，但忽略了霧霾等復(fù)雜環(huán)境的影響。

2 傳統(tǒng)絕緣子缺陷檢測模型

為了有效避免圖像中霧霾的影響，提升絕緣子缺陷檢測模型的精度，以文獻(xiàn)[10]的缺陷檢測模型為研究基礎(chǔ)。絕緣子圖像檢測傳統(tǒng)模型的基本原理見圖1。

圖1 絕緣子圖像檢測傳統(tǒng)模型基本原理框圖

2.1 Canny邊緣檢測

2.1.1圖像灰度化

Canny算法的處理對象為灰度圖，故需先將圖像進(jìn)行灰度轉(zhuǎn)換。結(jié)果由圖像RGB三個通道的采樣值加權(quán)平均得到，計算式為：

Gray=0.299R+0.587G+0.114B

(1)

RGB代表光學(xué)三原色中3個通道的亮度。

2.1.2高斯濾波處理

Canny算法常用高斯濾波器來降低圖像高斯噪聲的影響，即與圖像進(jìn)行卷積以濾除圖像中的噪聲[17]。高斯分布函數(shù)為：

(2)

σ是高斯濾波器的參數(shù)，其選取還需參考具體圖像的實際情況。原圖像I(x,y)與式(2)進(jìn)行卷積，得到處理后圖像H(x,y)，表達(dá)式為：

H(x,y)=G(x,y)*I(x,y)

(3)

2.1.3計算梯度幅值和方向

Canny算法計算梯度值時采用一階有限差分，圖像在x和y方向上的偏導(dǎo)數(shù)矩陣為：

Wx(i,j)=[I(i,j+1)-I(i,j)+

I(i+1,j+1)-I(i+1,j)]/2

(4)

Wy(i,j)=[I(i,j)-I(i+1,j)+

I(i,j+1)-I(i+1,j+1)]/2

(5)

梯度幅值和方向可由式(6)和式(7)的W(i,j)和θ(i,j)表示。

(6)

(7)

2.1.4對梯度幅值進(jìn)行非極大值抑制

由于圖像中噪聲的影響，處理后的結(jié)果可能會出現(xiàn)偽邊緣的現(xiàn)象。非極大值抑制通過尋找梯度方向上的非零點，然后對該點方向?qū)?shù)上相鄰兩點的梯度值進(jìn)行比較來消除圖像偽邊緣。

2.1.5雙閾值檢測和連接邊緣

雙閾值法通常先設(shè)定一個高低閾值來區(qū)分邊緣像素，判斷其邊緣點8鄰域中是否存在高于高閾值的像素值。如果存在，則認(rèn)為該邊緣屬于真實邊緣；若不存在，則直接舍棄。

2.2 Hough直線檢測

霍夫變換的基本原理是將圖像空間中的直線分別映射到 Hough 參數(shù)空間的點，同時運用累加器來檢測參數(shù)空間中的峰值點。運用該峰值點可以確定圖像空間中對應(yīng)直線的信息參數(shù)，即峰值點的值與圖像空間中的直線是一一對應(yīng)的，從而快速準(zhǔn)確地實現(xiàn)圖像空間中直線檢測。

2.3 圖像旋轉(zhuǎn)

考慮到邊緣檢測后的絕緣子圖像普遍存在相對水平位置傾斜的問題，將絕緣子邊緣圖像進(jìn)行水平旋轉(zhuǎn)。旋轉(zhuǎn)角度近似等于直線檢測結(jié)果中若干條直線斜率平均值，計算式為：

(8)

式中：gθ指旋轉(zhuǎn)角度；hi指直線斜率；n指直線數(shù)量。

2.4 垂直投影

使用垂直投影對水平位置的絕緣子邊緣圖像處理后的圖像能充分反映絕緣子邊緣形狀的變化規(guī)律，獲得絕緣子是否發(fā)生自爆的信息。

3 傳統(tǒng)絕緣子缺陷檢測模型的改進(jìn)

從上述絕緣子缺陷檢測模型中可以看出，這些模型沒有考慮圖像中霧霾因素的影響。Fang等[18]在大氣散射模型的基礎(chǔ)上，通過統(tǒng)計 5 000 多幅圖像的特征，提出了暗通道先驗算法(DCP算法)。該算法因具有結(jié)構(gòu)簡單、性能優(yōu)越的特點在各領(lǐng)域得到了廣泛應(yīng)用，故本文中運用該算法進(jìn)行去霧預(yù)處理。為了保證圖像在去霧后具有一定的抗噪性能，在暗通道先驗去霧算法的基礎(chǔ)上融入高斯濾波算法與圖像對數(shù)增強(qiáng)算法進(jìn)行圖像去噪和增強(qiáng)，并對圖像亮度進(jìn)行調(diào)整使圖像特征更加明顯。從理論上來說，采用該方法的圖像具有更高的峰值信噪比，同時縮小了與原圖之間的差距。改進(jìn)后模型的結(jié)構(gòu)如圖2所示。

圖2 改進(jìn)后絕緣子缺陷檢測模型結(jié)構(gòu)框圖

3.1 暗通道先驗去霧算法

霧霾圖像的散射模型為

I(x)=j(x)t(x)+A(1-t(x))

(9)

其中：I(x)指輸入的霧霾圖像；j(x)指去霧處理后圖像；t(x)為透射率；A為全局大氣光值。由此可知，只要得到A與t(x)，就能獲得去霧后圖像。

3.1.1定義暗通道

根據(jù)相關(guān)研究，在大量無霧圖像的暗通道圖數(shù)據(jù)中，超過90%的無霧圖像像素值極低，其中75%無霧圖像像素值為0。無霧圖像可由式(10)表示。

(10)

其中：jc(y)指j的任意一個顏色通道；Ω(x)指像素點x處的窗口；c指RGB三個通道。

由上述定義可得知

jdark→0

(11)

3.1.2求解全球大氣光值

利用暗通道圖與霧霾原圖像的對應(yīng)關(guān)系，通過獲取暗通道圖中前0.1%亮度像素點的位置來對應(yīng)原霧霾圖像中相應(yīng)位置較高亮度的值，以此選作全球大氣光值。

3.1.3透射公式

對式(9)兩側(cè)同時除以大氣光值：

(Ic(x))/Ac=t(x)(jc(x))/Ac+1-t(x)

(12)

(13)

根據(jù)暗通道先驗定義可得：

(14)

代入式(13)可得：

(15)

在實際情況中，即使晴天遠(yuǎn)處也會存在霧，因此需引入因子ω。為使圖片保留一定的霧霾，常取值0.95。此時透射率為：

(16)

3.1.4有霧圖像處理公式

由于透射率t的值會直接影響j的值，若t的值過小，會導(dǎo)致圖像去霧效果出現(xiàn)整體白場的現(xiàn)象，此時需設(shè)定下限值t0。當(dāng)值t

j(x)=(I(x)-A)/(max(t(x),t0))+A

(17)

3.2 高斯濾波算法的融入

針對圖片中存在的高斯噪聲，利用高斯濾波算法來濾除圖像中的高斯噪聲已成為計算機(jī)視覺領(lǐng)域最常用的方法[19]。高斯濾波的步驟如下：

步驟1移動相關(guān)核的中心元素，使其位于輸入圖像待處理像素的正上方；

步驟2將輸入圖像的像素值作為權(quán)重，通過與圖像進(jìn)行卷積處理濾除圖像中的噪聲，選用的高斯分布函數(shù)為：

(18)

式中σ為高斯濾波器的參數(shù)。原圖像I(x,y)與高斯分布函數(shù)作卷積之后得到圖H(x,y)，可表示為：

H(x,y)=G(x,y)*I(x,y)

(19)

步驟3 將上述各步驟得到的結(jié)果相加作為輸出。

3.3 Log變換算法的融入

對數(shù)變換的基本原理是將圖像的低灰度值部分進(jìn)行擴(kuò)展，高灰度值部分進(jìn)行壓縮以強(qiáng)調(diào)低灰度部分。其變換公式如下：

s=c·Logv+1(1+v·r)

(20)

式中：v為底數(shù)；c為增強(qiáng)系數(shù)；s為輸出強(qiáng)度；r的取值范圍為[0,1]。

由圖3可知，x=0.4時，對應(yīng)s在0.8左右，因此x軸的0～0.4的低灰度部分經(jīng)過變換擴(kuò)展到0～0.8的部分，而整個剩余部分則被壓縮到0.8～1的區(qū)間，達(dá)到擴(kuò)展強(qiáng)調(diào)低灰度部分的目的。

圖3 對數(shù)增強(qiáng)算法原理曲線

根據(jù)圖3中曲線變化規(guī)律可知，底數(shù)v越大，對低灰度部分?jǐn)U展強(qiáng)調(diào)的作用就越強(qiáng)。因此，對數(shù)變換可以對圖像邊緣形成強(qiáng)化的作用，從而增強(qiáng)圖像的細(xì)節(jié)特征。

3.4 圖像亮度調(diào)整

經(jīng)過上述3個步驟的處理，減小了圖像中霧霾和噪聲的影響，使得圖像信息變得清晰。考慮到圖像亮度直接影響其可視化效果和細(xì)節(jié)特征的呈現(xiàn)，故須對圖像亮度進(jìn)行調(diào)整。

通過RGB模型向HIS模型轉(zhuǎn)化，將去霧、去噪后圖片的RGB分量轉(zhuǎn)換成HIS分量，此時H代表色調(diào)，I代表圖像的亮度，S代表飽和度。本次針對亮度I進(jìn)行增強(qiáng)，利用兩模型間的轉(zhuǎn)換關(guān)系，將重新得到的HSI分量轉(zhuǎn)化為RGB分量，從而實現(xiàn)對圖像亮度的提升。

4 實驗設(shè)計與分析

4.1 實驗環(huán)境及參數(shù)設(shè)置

同態(tài)濾波、直方圖均衡化算法、Retinex算法、暗通道先驗去霧算法是當(dāng)前的主流去霧算法,具有不錯的去霧效果。對比以上4種主流去霧算法與本文算法去霧后的性能，并驗證本文方法去霧效果的優(yōu)越性。實驗配置：Intel(R)Core(TM)i7-10750H CPU @ 2.60GHz，16.0 GB內(nèi)存，NVIDIA GeForce GTX 1650 Ti顯卡，實驗平臺為MatlabR2020b。

4.2 實驗結(jié)果可視化

設(shè)計5組實驗，如圖4—8所示。每組實驗的6幅圖片分別代表絕緣子霧霾原圖、同態(tài)濾波算法處理結(jié)果、直方圖均衡化算法處理結(jié)果、SSR算法處理結(jié)果、暗通道先驗去霧算法處理結(jié)果、本文算法處理結(jié)果。

圖4 實驗1結(jié)果

圖5 實驗2結(jié)果

圖6 實驗3結(jié)果

圖7 實驗4結(jié)果

4.3 實驗結(jié)果分析

4.3.1性能評價指標(biāo)

從5組實驗中可以看出，運用直方圖均衡化算法與SSR算法處理后的結(jié)果圖像存在顏色方面的失真現(xiàn)象；運用暗通道先驗去霧算法處理后的圖像整體顏色較為深沉；運用本文算法處理后的圖像具有較好的圖像可視化效果。為客觀評價運用以上5種去霧算法得到的結(jié)果，介紹以下2種去霧性能評價指標(biāo)。

1)峰值信噪比(PSNR)

峰值信噪比在圖像質(zhì)量評估方面運用廣泛，PSNR值越高，說明圖像噪聲含量越低，受到的污染越小[20]。其表達(dá)式為：

(21)

(22)

MAX=2B-1

(23)

MSE指圖像均方差，m和n分別指圖像的高度和寬度，I(x,y)指初始霧霾圖像，K(x,y)指去霧后圖像。MAX指圖像的灰度級，B指編碼1個像素所用的二進(jìn)制位數(shù)，即B=8，故MAX=255。

2)結(jié)構(gòu)相似性(SSIM)

SSIM基于人類視覺系統(tǒng)，從亮度、結(jié)構(gòu)和對比度3個方面來衡量圖像的相似度。其表達(dá)式為：

SSIM=L(I,J)×C(I,J)×S(I,J)

(24)

L(I,J)為亮度，C(I,J)為對比度，S(I,J)為結(jié)構(gòu)。SSIM的取值范圍為[0,1]，其值越大，代表兩幅圖像相似度越高[21]。

4.3.2實驗結(jié)果性能對比及驗證

對5組實驗圖像進(jìn)行MSE值、PSNR值、SSIM值測試。圖像評價結(jié)果如表1所示。

表1 圖像評價結(jié)果

從數(shù)據(jù)結(jié)果中可以發(fā)現(xiàn)，運用暗通道先驗去霧算法處理后的圖像質(zhì)量相對于運用同態(tài)濾波、直方圖均衡化算法、SSR算法處理之后的結(jié)果具有較高的PSNR值與SSIM值，驗證了暗通道先驗去霧算法圖像去霧的優(yōu)越性和去霧方法的正確性。當(dāng)圖像中存在霧霾影響時，運用以上圖像去霧算法得到的圖像PSNR值均小于運用本文算法得到的圖像PSNR值，說明本文算法在進(jìn)行圖像去霧的同時很好地提升了圖像的抗噪性能，一定程度上降低了噪聲對圖像質(zhì)量的影響。從圖像結(jié)構(gòu)相似度性能的角度看，運用本文算法得到的SSIM值也達(dá)到了最高，取得了較好的圖像去霧效果，減小了與原圖之間的失真程度；運用直方圖均衡化進(jìn)行圖像去霧的效果并不理想，說明該算法在進(jìn)行圖像去霧的同時放大了圖像中的噪聲。

為了驗證本文算法的普適應(yīng)與優(yōu)越性，另取30組含有霧霾的圖像按照相同的方法進(jìn)行仿真驗證。將30組實驗得到的圖像PSNR值和圖像SSIM的平均值進(jìn)行對比分析，見圖9-10所示。

圖9 多樣本圖像PSNR平均值曲線

由圖9和圖10可知，當(dāng)圖像含有霧霾時，運用同態(tài)濾波算法、直方圖均衡化算法、SSR算法、暗通道先驗去霧算法處理后得到的圖像PSNR平均值均小于運用本文算法得到的PSNR值，說明本文算法在去霧的同時具備了良好的抗噪性能，而運用直方圖均衡化算法處理得到的結(jié)果并不理想，圖像PSNR值達(dá)到了最低；在30組實驗中，運用本文算法得到的圖像PSNR平均值達(dá)到37.5 dB，相對于改進(jìn)前平均提升6.8 dB；圖像SSIM平均值達(dá)到0.865,相對于改進(jìn)前平均提升0.143，說明本文算法具有較好的圖像復(fù)原效果，同時驗證了本文算法的普適性，與以上5組實驗得到的結(jié)論相一致。

圖10 多樣本圖像SSIM平均值曲線

4.4 模型改進(jìn)前后絕緣子邊緣檢測效果的對比

為了對比模型改進(jìn)前后對絕緣子缺陷檢測精度的影響，以圖4(b)為例，分別運用改進(jìn)前后的模型進(jìn)行絕緣子缺陷檢測，邊緣檢測結(jié)果分別如圖11和圖12所示。

由圖11可知，當(dāng)圖像中同時含有霧霾噪聲時，運用改進(jìn)前模型得到的邊緣檢測結(jié)果出現(xiàn)了斷裂漏檢的情況，絕緣子邊緣并不完整，圖像細(xì)節(jié)信息丟失，使得模型無法判定絕緣子自爆的位置，從而直接影響該模型后續(xù)缺陷檢測的精度。由圖12可知，經(jīng)過本文算法圖像預(yù)處理后檢測得到的絕緣子邊緣較為完整，結(jié)果中基本不存在斷裂漏檢的情況，對絕緣子缺陷檢測模型精度影響較低，說明本文算法能夠提升圖像質(zhì)量，有效減小圖像邊緣信息的損失。

圖11 去霧前邊緣檢測結(jié)果

圖12 去霧后邊緣檢測結(jié)果

為了對比模型改進(jìn)前后對絕緣子缺陷檢測精度的影響，取50幅含有霧霾的絕緣子樣本圖像進(jìn)行缺陷檢測，得到檢測結(jié)果1。將以上50幅樣本圖像運用暗通道先驗去霧算法進(jìn)行處理，再次進(jìn)行缺陷檢測，得到檢測結(jié)果2。最后將以上50幅樣本圖像運用本文算法進(jìn)行圖像去霧處理，得到檢測結(jié)果3。缺陷檢測結(jié)果如表2所示。

表2 缺陷檢測結(jié)果

由以上數(shù)據(jù)可知，圖像中含有霧霾嚴(yán)重影響絕緣子缺陷檢測的精度，檢測精度只有56%；運用本文算法得到的絕緣子缺陷檢測精度相對于運用改進(jìn)前DCP算法提升了12%，再次驗證了本文算法的優(yōu)勢。

5 結(jié)論

為減小環(huán)境中霧霾對絕緣子缺陷檢測精度的影響，以絕緣子缺陷檢測模型為基礎(chǔ)進(jìn)行圖像去霧預(yù)處理?？紤]到圖像去霧后仍有噪聲保留在原圖像中會降低圖像質(zhì)量，使得圖像特征模糊不清，故在暗通道先驗去霧算法的基礎(chǔ)上融合高斯濾波算法、對數(shù)增強(qiáng)算法。為了獲得良好的圖像可視化效果，使得圖像特征更加明顯，對處理后圖像亮度進(jìn)行相應(yīng)調(diào)整，通過5組實驗說明了本文算法的優(yōu)越性。通過30組多樣本仿真實驗表明了本文算法的普適性和優(yōu)越性。本研究的創(chuàng)新之處在于在原模型的基礎(chǔ)上考慮到環(huán)境中霧霾的影響，并對暗通道先驗去霧算法進(jìn)行改進(jìn)，獲得了性能更加優(yōu)越的圖像去霧效果，提升了絕緣子缺陷檢測的精度。不足之處在于尚未解決圖像中存在的嚴(yán)重霧霾問題。由于絕緣子處于復(fù)雜多變的環(huán)境之中，如何在去除圖像中較為嚴(yán)重的霧霾的同時提高圖像抗噪性能是難點，也是未來研究的重要內(nèi)容。